[发明专利]基于对抗攻击的图像压缩算法鲁棒性的提升方法

说明书

本发明公开了一种基于对抗攻击的图像压缩算法鲁棒性的提升方法。该方法的步骤如下：获取待测试的神经网络图像压缩算法模型和参数；针对任意输入图片，将初始扰动添加到输入图片中，获得重建图片；以最大化输出损失或者最小化输出重建图片与目标图片的差距为目标，迭代优化扰动，生成对抗样本；将上述对抗样本集成到网络模型的训练之中，直至模型对扰动充分鲁棒。本发明的方法是一种通用于各种神经网络压缩算法鲁棒性的提升方法，在与传统基于神经网络的图像压缩方法在大量图像序列上的同等比较中，在面对对抗攻击时，可以提升10dB以上的PSNR性能。

技术领域

本发明涉及图像编码领域，特别涉及一种基于对抗攻击的图像压缩算法鲁棒性的提升方法。

背景技术

近年来，人工神经网络发展到了深度学习(deep learning)阶段。深度学习试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法，其强大表达能力使得其在各个机器学习的任务上取到了最好的效果，在视频和图像处理上的表现在目前也超过了其它方法。

深度学习使用了分层抽象的思想，高层的概念通过低层的概念学习得到。这一分层结构通常使用贪婪逐层训练算法构建而成，并从中选取有助于机器学习的有效特征，很多深度学习算法都是以无监督学习的形式出现的，因此这些算法能被应用于其他算法无法企及的无标签数据，这一类数据比有标签的数据更为丰富，也更容易获得，这一点成为深度学习的重要优势。

图像压缩在网络传输过程中的本地存储中是一个很重要的处理方法。对于那些原始图像数据，没有任何的有线网络能满足实时传输这样的内容。因此图像编码的标准化由20世纪80年代开始，到如今技术较为成熟的JPEG，JPEG2000和BPG技术，都能在同等质量下减少更多的码率，提高传输的效率。

而由于深度学习在图像处理上的优秀表现，结合深度学习中Autoencoder(自编码器)的基本思路做图像压缩，用深度学习的方法来提供一个新的图像编码和解码的方法，对于图像数据压缩领域发展是一个很好的开始工作，也便于未来在图像压缩方向上，神经网络的新方案在整个系统的完善过程中有着比传统方法更好的表现和前景。

对抗攻击已经广泛应用于计算机视觉任务之中，它可以有效检验深度神经网络在各项任务中的鲁棒性。目前主流的基于深度学习的图像压缩方法都是完全基于卷积神经网络的，由于卷积神经网络本身固有的特性，其用作自编码器的变换具有一定的不稳定性，使得对抗攻击成为可能。

发明内容

为此，本发明的目的是结合深度学习中对抗攻击的方法，提出一种基于对抗攻击的图像压缩算法鲁棒性的提升方法。

本发明采用的技术方案为：

基于对抗攻击的图像压缩算法鲁棒性的提升方法，包括如下步骤：

S1，获取待测试的神经网络图像压缩算法模型和参数；

S2，针对任意输入图片，将初始扰动添加到输入图片中，获得重建图片；

S3，以最大化输出损失或者以最小化输出重建图片与目标图片的差距为目标，迭代优化扰动，生成对抗样本；

S4，将上述对抗样本集成到步骤S1的神经网络图像压缩算法模型的训练之中，直至模型对扰动充分鲁棒。

进一步地，所述步骤S1中，获取包括编码器和解码器在内的整个网络模型和参数以进行对抗攻击。

进一步地，所述步骤S2中，初始扰动的形式为随机噪声、无噪声或其他噪声。

进一步地，所述步骤S3中，设定加入扰动的阈值，若扰动小于阈值，则增大扰动使输出损失最大化或使重建图片与目标图片差距最小化；若扰动大于阈值，则降低扰动的幅度。

进一步地，所述步骤S4中，对抗样本在训练过程中被实时生成，用于提升模型的鲁棒性。